Modelo PL

FACIULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA DE SISTEMAS
MODELO DE PROGRAMACION LINEAL:
MÉTODO GRÁFICO :
El método gráfico se utiliza para la solución de problemas de PL,
representando geométricamente a las restricciones, condiciones
técnicas y el objetivo.
El modelo se puede resolver en forma gráfica si sólo tiene dos
variables. Para modelos con tres o más variables, el método gráfico
es impráctico o imposible.
Cuando los ejes son relacionados con las variables del problema, el
método es llamado método gráfico en actividad. Cuando se relacionan
las restricciones tecnológicas se denomina método gráfico en
recursos.
SOLUCION GRAFICA:
a. Valor factible: valores para las de decisión que satisfacen todas
las restricciones.
b. Valor infactible: valores para las variables de decisión que no
satisfacen todas las restricciones.
c. Región factible: el conjunto de valores para las variables de
decisión en un programa lineal que satisface todas las
restricciones.
d. Solución factible: una solución en la que las variables de
decisión son factibles.
e. Punto extremo: el punto esquina de una región factible.
f. Línea de función objetivo: línea utilizada en el método gráfico en
la cual todos los puntos sobre la línea tienen el mismo valor de
función objetivo.
Administración de Operaciones
Ing. Patricia Espinoza Becerra
23/11/2010
g. Solución óptima: el punto en la región factible que tiene el

mejor valor de la función objetivo.
CARACTERÍSTICAS:
Las características claves asociados con la solución gráfica de un
problema de programación lineal con dos variables y algunas
restricciones de desigualdad son las siguientes:
 Obtener la región factible realizando lo siguiente para cada
restricción:
• Reemplazar el signo de desigualdad con un signo de igualdad.
• Trazar la línea resultante encontrando dos puntos
distintos en esa línea.
• Identificar el lado factible de la línea.
La región factible, entonces, consiste en aquellos puntos que
satisfacen todas las restricciones simultáneamente.
 Obtener una solución optima mediante los siguientes pasos:
• Seleccionar cualquier punto dentro de la región factible.
• Trazar la línea de la función objetivo a través del punto
elegido.
• Determinar el lado de mejora de la línea de la función
objetivo.
• Mover la línea de la función objetivo en forma paralela a si
misma en la dirección de mejora hasta que la línea este a
punto de dejar la región factible.
• Calcular los valores de las variables en la solución optima
resolviendo las dos ecuaciones de las dos líneas que pasan
por ese punto.
EJEMPLOS:
1.-Resuelva el siguiente problema lineal por el Método Gráfico:
23/11/2010
Max .z =−x1 +2 x 2
s.a :
6 x1 −2 x 2 ≤3
−2 x1 +3 x 2 ≤6
x1 +x 2 ≤3
xi ≥0
Solución:
Para resolver este problema lineal con dos variables de decisión
se utilizó el programa GLP para graficar, en los resultados
mostrados se observan las restricciones, la región factible, los
valores óptimos de las variables de decisión y la solución óptima
del problema.
Este problema tiene las soluciones óptimas:

x1 = 0.6 , x2 = 2.4
y un valor optimo de 4.2.
23/11/2010
2. Considere el siguiente modelo lineal:

Min .z = 5 x1 + 2 x 2
s.a :
3 x1 + 6 x 2 ≥18
5 x1 + 4 x 2 ≥ 20
8 x1 + 2 x 2 ≥16
7 x1 + 6 x 2 ≤ 42
xi ≥ 0
a) Resuelva el modelo gráficamente para encontrar la solución

óptima y el valor óptimo.
b) ¿Cuantos puntos tiene la región factible?
c) Cambie la función objetivo por 15X1 + 12X2. ¿Cuáles son
las soluciones óptimas alternativas?
 Cambiando la función objetivo por 15X1 + 12X2:
23/11/2010
Solución:
a) x1 = 1.1 , x2 = 3.6
Con un Valor Óptimo de 12.7
b) La región factible tiene 4 puntos extremos.
c) Cambiando la función objetivo se tiene las soluciones optimas
alternativas:
• x1 = 2.7 , x2 = 1.7
• x1 = 1.1 , x2 = 3.6
Con un Valor Óptimo de 60.
METODO SIMPLEX
La mayoría de los problemas de programación lineal tienen más de
dos variables de decisión, y son, por ende, demasiado grandes para
una solución gráfica.
Un procedimiento llamado el Método Simplex puede ser utilizado para
encontrar la solución óptima de los problemas con multivariantes.
23/11/2010
El método simplex es un algoritmo (o un conjunto de instrucciones)

con el cual se examinan los puntos en las esquinas de una manera
metódica hasta conseguir la mejor solución (o mayor utilidad o menor
costo).
El método simplex se puede aplicar utilizando tableros o matrices.
PROCEDIMIENTO:
1. Determinar cuales variables formaran parte de la próxima mezcla
solución. Identificar la columna, y por ende la variable, con el
numero positivo mayor en el renglón CJ - ZJ de la tabla previa. Este
paso significa que ahora se producirá parte del producto que atribuye
la mayor utilidad adicional por unidad.
2. Determinar que variable se va a reemplazar. Ya que apenas se a
elegido la nueva variable que se incluirá en la mezcla solución, se
debe decidir que variable actual en la solución se debe remover para
hacer espacio. Para hacerlo, se divide cada cantidad, entre el numero
correspondiente en la columna seleccionada del paso 1. El renglón,
cuyo resultado del calculo sea el menor número no negativo, será
reemplazado en la siguiente tabulación (este numero menor, de paso,
da el máximo numero de unidades de la variable que pueden ser
colocados en la solución). Este renglón generalmente es referido
como “renglón pivote” y la columna identificada en el paso 1 es
llamada la columna pivote. El número en la intersección del renglón
pivote y la columna pivote es el elemento pivote.
3. Calcular los nuevos valores para el renglón pivote. Para
encontrarlos, simplemente se divide cada numero de renglón entre el
elemento pivote.
4. Calcular los nuevos valores para los renglones restantes.(en los
problemas hay únicamente dos reglones en la tabla, pero la mayoría
de los problemas mas grandes tienen muchas mas filas.
23/11/2010
5. Calcular los reglones ZJ y CJ - ZJ , que forman parte de la tabla

inicial. Si todos los números en el renglón CJ - ZJ son ceros o
negativos, se ha encontrado una solución optima. Si este no es el
caso, debe regresarse al paso 1.
CJ : Contribución a la utilidad por unidad de cada variable Se
aplica tanto al primer renglón como a la primera
columna.
ZJ : En la columna de la cantidad, ZJ ofrece. La Contribución
total (utilidad bruta en este caso) de una solución dada.
CJ - ZJ : Representa la utilidad neta (esto es la utilidad
ganada menos la utilidad perdida) que es resultado de
introducir una unidad de cada producto (variable) en la
solución.
EJEMPLO1: PROBLEMA DE MAXIMIZACION:

La Cía. SONY produce dos productos: (1) el walkman Sony, un toca
casettes con AM/FM portátil y (2) la watch-Tv. Sony, un televisor a
color del tamaño de un reloj de pulsera. El proceso de producción es
similar para cada uno, ambos necesitan un cierto número de horas de
trabajo electrónico y un número de horas en el departamento de
ensamble. Cada walkman lleva 4 horas de trabajo electrónico y 2
horas en el taller de ensamble. Cada watch-Tv. requiere de 3 horas de
electrónica y una hora de ensamble. Durante el presente periodo de
producción, están disponibles 240 horas de tiempo de electrónica y
100 horas del departamento de ensamble. Cada walkman aporta una
utilidad de 7 dólares; cada watch-Tv. Producida puede ser vendida
para obtener una utilidad de 5 dólares.
El problema de Sony es determinar la mejor combinación posible de
walkman y watch-Tv., para fabricarlos de manera que se obtenga la
23/11/2010
máxima utilidad. Esta situación de mezcla de producción puede ser

formulada como un problema de programación lineal.
Solución:
x1 : Numero de walkman que se producirán.
x2 : Numero de watch-Tv. que se producirán.
Max. z = 7X1 + 5X2

s.a.
4X1 + 3X2 < 240(Hs. tiempo de electrónica)
2X1 + 1X2 < 100(Hs. Tiempo de ensamble)
X1 , X2 > 0
Tabla original:
HORAS REQUERIDAS PARA
DEPARTAMENTO PRODUCIR UNA UNIDAD. HS.
X1(WALKMAN) X2(WATCH-TV)
DISPONIBLES
ESTA SEMANA
Electrónica 4 2 240
Ensamble 3 1 100
Utilidad / unidad $7 $ 5
Tabla inicial simplex completa

Primera tabla
CJ $7 $ 5 $0 $0 CANTIDAD
MEZCLA X1 X2 S1 S2 (RHS)
SOLUCION
23/11/2010
$0 S1 2 1 1 0 100
$0 S2 4 3 0 1 240
ZJ $0 $0 $0 $0 $0
CJ - Z J $7 $5 $0 $0 Utilidad
total
Columna pivote Número pivote Renglón pivote
Segunda tabla:
SOLUCION
$7 X1 1 1/2 1/2 0 50
$0 S2 0 1 -2 1 40
ZJ 7 7/2 7/2 0 350
CJ - Z J 0 3/2 -7/2 0
Tercera tabla:
SOLUCION
$7 X1 1 0 3/2 -1/2 30
$5 X2 0 1 -2 1 40
ZJ 7 5 1/2 3/2 $ 410
CJ - Z J 0 0 -1/2 -1/2
23/11/2010
Se producirán:
• 3 0 w a l k m a n ( X 1 ) , 40 watch-Tv. ( X2 )
Utilidad: $410
PROBLEMA DE MINIMIZACION:
CJ - ZJ : la nueva variable que participara en la solución de cada
tabla (la columna pivote) será aquella con el numero negativos mas
grande en el reglón CJ - ZJ , entonces se elegirá la variable que
disminuya los costos mas posibles, se logra una solución optima
cuando todos los números en el reglón CJ - ZJ son cero o positivo,
justo lo opuesto del caso de maximización.
EJEMPLO 2:
La Menphis Chemical Corp. debe producir 1000 libras de una mezcla
especial de fosfato y potasio para un cliente.
El fosfato cuesta 5 dólares/libra y el potasio 6 dólares/libra. N se
pueden utilizar más de 300 libras de fosfato y se deba utilizar cuando
menos 150 libras de potasio.
a) Formule esto como un problema de programación lineal y
convertir las restricciones y función objetivo en la forma
necesaria para el algoritmo simples.
b) Darle solución.
Solución:
X1 : Numero de libras de fosfato en la mezcla.
X2 : Numero de libras de potasio en la mezcla.
Minimización 5X1 + 6X2
s.a.
X1 + X2 = 1000
X1 <= 300
23/11/2010
X2 >= 150
X1 , X2 >= 0
Forma estándar (convertida):

Minimización 5X1 + 6X2 + 0S1 + 0S2 + MA1 + MA2
s.a.
X1 + X2 + 1A1 = 1000
X1 + 1S1 = 300
X2 + 1S2 + 1A2 = 150
Nota:
 Si tenemos una restricción de igualdad tal como X1 + X2 =
1000. Para convertir una igualdad simplemente se suma una
variable artificial (A1) a la ecuación:
X1 + X2 + A1 = 1000
Una variable artificial es una variable que no tiene
significado físico en términos de P.L. del mundo real.
Simplemente permite crear una solución factible básica para
iniciar el algoritmo simple. A una variable artificial no se le
permite aparecer en la solución final del problema.
 Para manejar restricciones <=, primero se suma una variable
“holgura” (S1) para formar una nueva ecuación:
X1 + 1S1 = 300
Luego la tabulación esta establecida igual que antes nótese la
presencia de los costos $M asociado con las variables
artificiales A1 y A2, pero se les trata como si fuera cualquier
numero muy grande. Tienen el efecto de forzar a las variables
artificiales fuera de la solución rápidamente debido a sus
grandes costos.
23/11/2010
 Para manejar restricciones >=, primero se suma una variable

“excedente” (S2) y luego se suma una variable artificial (A2)
para formar una nueva ecuación:
X2 + 1S2 + 1A2 = 150
Tabla inicial:
CJ 5 6 0 0 M M
MEZCLA X1 X2 S1 S2 A1 A2 CANTIDAD
SOLUCION
$M A1 1 1 0 0 1 0 1000
$0 S1 1 0 1 0 0 0 300
$M A2 0 1 0 -1 0 1 150
Como se recordará, los números en la columna ZJ se Calculan

multiplicando la columna CJ del lado izquierdo de la tabla por los
números correspondientes en cada una de las otras columnas. Por
ejemplo
ZJ (para la columna X1 ) = ($M*1)+($0*1)+($M*0) = $M
Por lo que CJ - ZJ = $5-$M = -$M+5
ZJ (para la columna A2 ) = ($M*0)+($0*0)+($M*1) = $M
Por lo que CJ - ZJ = $M-$M = -$0
ZJ (para el costo total ) = ($M*1000)+($0*300)+($M*150)
= $ 1150M
Primera tabla:
CJ 5 6 0 0 M M
SOLU
CION
$M A1 1 1 0 0 1 0 1000
$0 S1 1 0 1 0 0 0 300
23/11/2010
$M A2 0 1 0 -1 0 1 150
ZJ $M $M 0 -$M $M $M $1150M
CJ - ZJ -$M+5 -$2M+6 0 $M 0 0 COSTO TOTAL
La variable X1 entrará en la próxima solución, debido a que tiene el

mayor n u m e r o n e g a t i v o CJ - Z J . L a v a r i a b l e A 2 s e r á r e e m p l a z a d a d e
la solución porque su cociente 150/1 es menor que los cocientes
de la columna de la cantidad y los números correspondientes de
la columna X2 en los otros dos reglones. Esto es 150/1 (el
tercero o el renglón A2) es menor que 1000/1 (el primer renglón y
menor que 300/0 (el segundo renglón). Este ultimo cociente, dicho
sea de paso, que involucra una división entre cero, se
considera un numero indefinido o uno que es infinitamente grande y
por lo tanto se puede ignorar.
Los números en el renglón pivote no cambian, en este caso, porque
cada uno se divide por el numero pivote, encerrado en circulo que es
1.los otros renglones se alteran de la forma siguiente:
Renglón A1 Renglón S1
1 = 1-(1)(0) = 1 1 = 1-(0)(0) = 1
0 = 1-(1)(1) = 0 0 = 0-(0)(1) = 0
0 = 0-(1)(0) = 0 1 = 1-(0)(0) = 1
1 = 0-(1)(-1) = 1 0 = 0-(0)(-1) = 0
1 = 1-(1)(0) = 1 0 = 0-(0)(0) = 0
1 = 0-(1)(1) = -1 0 = 0-(0)(1) = 0
850 = 1000-(1)(150)=850 300 = 300-(0)(1)=300
Segunda tabla:
23/11/2010
CJ MEZCLA 5 6 0 0 M M
SOLUCION X1 X2 S1 S2 A1 A2 CANTIDAD
$M A1 1 0 0 1 1 -1 850
$0 S1 1 0 1 0 0 0 300
$6 X2 0 1 0 -1 0 1 150
ZJ M 6 0 M-6 M -M+6 850M+900
CJ - Z J -M+5 0 0 -M+6 0 -2M-6 COSTO
TOTAL
La variable X2 entrará en la próxima solución y tendrá que salir S1 ;

quedando la tercera tabla de la manera siguiente:
Tercera tabla:
CJ 5 6 0 0 M M
SOLUCION
$M A1 0 0 -1 1 1 -1 550
$5 X1 1 0 1 0 0 0 300
$6 X2 0 1 0 -1 0 1 150
ZJ 5 6 -M+5 M-6 M -M+6 550M+2400
CJ - Z J 0 0 M-5 -M+6 0 2M-6 COSTO
TOTAL
Numero pivote Columna pivote Renglón pivote
23/11/2010
Justificación de los valores de la tercera tabla:
Renglón A1 Renglón X2
0 = 1-(1)(1) = 0 0 = 0-(0)(1) = 0
0 = 0-(1)(0) = 0 1 = 1-(0)(0) = 1
-1 = 0-(1)(1) = -1 0 = 0-(0)(1) = 0
1 = 1-(1)(0) = 1 -1 = -1-(0)(0)= -1
1 = 1-(1)(0) = 1 0 = 0-(0)(0) = 0
-1 =-1-(1)(0) = -1 1 = 1-(0)(0) = 1
550 = 850-(1)(300)=850 150 = 150-(0)(300)=150
La variable S2 entrara en la próxima solución y tendrá que salir
S2 ; quedando la cuarta tabla siguiente:
Cuarta tabla:
CJ 5 6 0 0 M M
SOLUCION
$0 S2 0 0 -1 1 1 -1 550
$5 X1 1 0 1 0 0 0 300
$6 X2 0 1 -1 0 1 0 700
ZJ 5 6 -1 0 6 0 5700
CJ - Z J 0 0 1 0 M-6 M COSTO
TOTAL
Justificación de los valores de la cuarta tabla:
Renglón X1 Renglón X2
23/11/2010
1 = 1-(0)(1) = 1 0 = 0-(-1)(0) = 0
0 = 0-(0)(0) = 0 1 = 1-(-1)(0) = 1
1 = 1-(0)(1) = 1 -1 = 0-(-1)(-1) = -1
0 = 0-(0)(0) = 0 0 = -1-(-1)(1) = 0
0 = 0-(0)(0) = 0 1 = 0-(-1)(1) = 1
0 = 0-(0)(0) = 0 0 = 1-(-1)(-1) = 0
300 = 300-(0)(300)=300 700 = 150-(-1)(550)=700
Por lo tanto:
X1 = 300 libras de fosfato
X2 = 700 libras de fosfato
V.O. = 5700
ANÁLISIS DE DUALIDAD
El modelo de PL. que desarrollamos para una situación se conoce
como matemática estrechamente relacionada, que se deriva
directamente del problema primal. En la mayor parte de los
tratamientos de la PL, la dual se define para varias formas de la
primal, dependiendo del sentido de optimización (maximización o
minimización), de los tipos de las restricciones (<=,>= y =) y del
signo de las no negativas y no restringidas).
En este modulo presentamos una sola definición, que
automáticamente incluye todas las formas de la primal. La definición
supone que el problema primal se expresa en la forma estándar,
entonces se define como:
Maximice o Minimice Z = ΣCjXj
Sujeta a
Σ aijxij = bi, i=1, 2,…, m
X j>= 0, j=1, 2,…, n
Las variables X j, j=1, 2,…, n, incluyen superávit y Holguras si los
hay. La forma estándar tiene tres Propiedades:
23/11/2010
1. Todas las restricciones son ecuaciones (con lado derecho

no negativo).
2. Todas las variables son no negativas.
3. El sentido de la optimización puede ser maximización o
minimización.
Recordar que la forma estándar siempre se utiliza para producir la

tabla simplex original y que la solución del problema dual se obtiene
directamente de la tabla
simplex primal optima. Así, al definir la dual desde la
primal estándar, automáticamente obtenemos una
solución dual compatible con los cálculos del método
simplex.
Las variables y las restricciones del problema dual se pueden
construir simétricamente a partir del problema primal, como
sigue:
1. Una variable dual se define para cada una de las
ecuaciones de la restricción primal m.
2. Una restricción dual se define para cada primal de las n
variables primales.
3. Los coeficientes del lado izquierdo de la restricción dual
son iguales a los coeficientes de la restricción (columna) de
la variable primal asociada. Su lado derecho es igual al
coeficiente del objetivo de la misma variable primal.
4. Los coeficientes del objetivo de la dual son iguales al
lado derecho de las ecuaciones de la restricción primal.
EJEMPLO DE MAXIMIZACION:
Considere el siguiente modelo de programación lineal.
MODELO PRIMAL
23/11/2010
Maximizar Z = 10X1+ 20X2

Sujeto a
1X1 + 4X2 <= 8
2X1 + 3X2 <= 6
X1, X2 >= 0
a) ¿Cuál es el dual de este modelo primal?

b) Encontrar el valor optimo de la función objetivo del PL,
inspeccionando su primal y su dual.
Solución:
a) Minimizar Z = 8Y1+ 6Y2
Sujeto a
1Y1 + 2Y2 >= 10
4Y1 + 3Y2 >= 20
Y1, Y2 >= 0
b) Para encontrar el valor optimo del modelo primal y dual

se utilizó el Programa Microsoft Excel (SOLVER). A continuación se
observan los dos análisis
23/11/2010
En los resultados mostrados en la hoja de calculo se observa que el

valor optimo del modelo primal es igual al valor optimo del modelo
dual, siendo este análisis correcto; no es necesario que los valores de
las variables del primal sean los mismos del dual ya que al hacer las
transformaciones del dual en algunos casos pueden variar el numero
de variables. Se tiene:
.Modelo primal: X1=0 ; X2=2 ; V.O=40
.Modelo dual: Y1=2 ; Y2=4 ; V.O=40
EJEMPLO DE MINIMIZACION:
23/11/2010
Dar el dual del siguiente modelo de programación lineal.
MODELO PRIMAL
Minimizar Z = 2X1+ 3X2

Sujeto a
4X1 + 5X2 >= 6
7X1 + 8X2 <= 9
X1, X2 >= 0
Solución:
Este primal es igual a :

Maximizar -Z = -2X1 - 3X2
Sujeto a
-4X1 - 5X2 <= -6
7X1 + 8X2 <= 9
X1, X2 >= 0
Entonces su dual es:
Minimizar Z = -6Y1+ 9Y2
Sujeto a
-4Y1 + 7Y2 >= -2
-5Y1 + 8Y2 >= -3
Y1, Y2 >= 0
ANÁLISIS DE SENSIBILIDAD
23/11/2010
El análisis de sensibilidad se hace después de obtener la solución

optima ( actual) de un modelo de PL. La meta es determinar si los
cambios de los coeficientes del modelo dejaran inalterada la
solución actual y, de no ser así,como obtener con eficiencia una
nueva optima.
Los precios sombra son en realidad una forma de análisis de
sensibilidad, esto es, el estudio de que tan sensible seria la solución
optima a los errores o cambios en las entradas del problema de
programación lineal.
EJEMPLO
Se formuló el problema de la mezcla de producto de Shader
Electronic de la siguiente manera, utilizando la programación lineal:
Maximizar Z = 7X1 + 5X2
Sujeto a:
2X1 + 1X2 <= 100(ensamble)
4X1 + 3X2 <= 240(electrónica)
X1, X2 >= 0
X1 : Numero de Walkmans producidos.

X2 : Numero de Watch-TV. producidos.
El Software TORA es disponible para ayudar a quien toma decisiones

a conocer si una solución es o no relativamente insensible a los
cambios razonables en uno o mas parámetros del problema.
Primero, considérense los cambios al lado derecho de la restricción.
Al hacer esto, en el programa, se asume que los cambios están
hechos únicamente en une restricción a la vez; la otra permanece
23/11/2010
fija en sus valores originales. El rango de la mano derecha indica

sobre que rangos de los valores de la mano derecha permanecerán
validos para dicha restricción. En el ejemplo, el precio sombra de
1.50 dólares para la restricción de Electrónica se aplicara, aunque las
240 horas actuales caigan tan bajo como 200 horas o se incrementen
tan alto como 300.
Este concepto de que el rango de la mano derecha limita los precios
sombra es importante en el análisis de sensibilidad. Supóngase de
Shader Electronics consigue horas de Electrónica adicionales a un
costo menor que el precio sombra. La pregunta de cuantas obtener se
contesta por el limite superior en el programa, esto es, asegurar 60
horas mas de las 240 horas actuales.
Ahora véanse los cambios en los coeficientes de la función objetivo.

El análisis de sensibilidad ofrece para cada variable de
decisión en la solución, el rango de valores de utilidad sobre el
23/11/2010
cual la respuesta será la misma. Por ejemplo, la utilidad neta

de 7 dólares por walkman en la función objetivo podría estar entre
6.67 dólares a 10 dólares que cambie la solución final de X1 = 30,
X2 = 40.
Desde luego, si un coeficiente de utilidad cambiara, la utilidad neta
de 410 dólares cambiaria, aun si las cantidades optimas de X1 y X2 no
lo hicieran.
23/11/2010
23/11/2010

Modelo PL

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modelo PL

Загружено:

Авторское право:

Доступные форматы

FACIULTAD DE INGENIERÍA

ESCUELA DE INGENIERÍA DE SISTEMAS

MODELO DE PROGRAMACION LINEAL:

g. Solución óptima: el punto en la región factible que tiene el

Este problema tiene las soluciones óptimas:

2. Considere el siguiente modelo lineal:

a) Resuelva el modelo gráficamente para encontrar la solución

 Cambiando la función objetivo por 15X1 + 12X2:

El método simplex es un algoritmo (o un conjunto de instrucciones)

5. Calcular los reglones ZJ y CJ - ZJ , que forman parte de la tabla

EJEMPLO1: PROBLEMA DE MAXIMIZACION:

máxima utilidad. Esta situación de mezcla de producción puede ser

Max. z = 7X1 + 5X2

Tabla inicial simplex completa

Columna pivote Número pivote Renglón pivote

Columna pivote Número pivote Renglón pivote

Forma estándar (convertida):

 Para manejar restricciones >=, primero se suma una variable

Como se recordará, los números en la columna ZJ se Calculan

Columna pivote Número pivote Renglón pivote

La variable X1 entrará en la próxima solución, debido a que tiene el

Columna pivote Número pivote Renglón pivote

La variable X2 entrará en la próxima solución y tendrá que salir S1 ;

Numero pivote Columna pivote Renglón pivote

Justificación de los valores de la tercera tabla:

Justificación de los valores de la cuarta tabla:

1. Todas las restricciones son ecuaciones (con lado derecho

Recordar que la forma estándar siempre se utiliza para producir la

Maximizar Z = 10X1+ 20X2

a) ¿Cuál es el dual de este modelo primal?

b) Para encontrar el valor optimo del modelo primal y dual

En los resultados mostrados en la hoja de calculo se observa que el

Dar el dual del siguiente modelo de programación lineal.

Minimizar Z = 2X1+ 3X2

Este primal es igual a :

El análisis de sensibilidad se hace después de obtener la solución

X1 : Numero de Walkmans producidos.

El Software TORA es disponible para ayudar a quien toma decisiones

fija en sus valores originales. El rango de la mano derecha indica

Ahora véanse los cambios en los coeficientes de la función objetivo.

cual la respuesta será la misma. Por ejemplo, la utilidad neta

Вам также может понравиться